Aurelia: auditoría de modelos BIM con agentes de IA

IA multiagente para auditar modelos BIM, sin dejar de tener al humano en el loop

Juan José y su co-expositor presentan Aurelia, una solución de inteligencia artificial que automatiza la auditoría de modelos BIM (Building Information Modeling). El problema de fondo: revisar modelos federados —sin base de datos central que consultar— es una tarea repetitiva, lenta y propensa a error, y los contratos suelen dar apenas 5 días para revisar una planta completa. Aurelia visualiza el modelo en la nube, exporta los metadatos problemáticos y los audita con una arquitectura de cuatro agentes de IA especializados por etapa.

Las frases que resumen la charla

Auditar modelos federados es lento, manual y contractualmente exigente

El desafío del BIM hoy gira en torno a los metadatos: el corazón de los modelos 3D. Validar que esos datos sean correctos y consistentes es una tarea repetitiva que tradicionalmente se hace de forma manual, revisando planillas y ajustando datos en Excel a medida que el modelo avanza.

El problema se agrava con los modelos federados. Cuando existe una base de datos central, auditar es trivial: una consulta SQL trae todo. Pero un modelo federado no tiene ese punto único de consulta, así que la revisión se vuelve tediosa y consume el grueso de las 60 a 80 horas por área. Y el tiempo aprieta: los contratos suelen otorgar apenas 5 días para revisar una concentradora completa.

• Tarea repetitiva y propensa a error humano.
• Sin base de datos central en modelos federados → no hay consulta rápida posible.
• Ventana contractual muy corta (≈5 días por planta).
• Alto costo interno en horas de especialista.

Arquitectura multiagente sobre la nube de Autodesk

El flujo de Aurelia es directo: se visualiza el modelo en la nube, se seleccionan los elementos que podrían tener problemas, se exportan sus metadatos a CSV (dejando registro de lo exportado para control interno) y un conjunto de agentes de IA audita esa información. El nombre «Aurelia» juega con «áureo / dorado», en línea con el estándar de calidad que persigue.

Técnicamente se apoya en el APS de Autodesk (Autodesk Platform Services), cuya ventaja es poder traducir prácticamente cualquier formato de modelo a un visualizador web. Los datos viven en un ambiente cerrado en la nube (AWS): no quedan expuestos a internet ni se usan para entrenar un modelo comercial de IA.

Por qué múltiples agentes y no uno solo

La primera aproximación fue la habitual —un único agente sobre los datos del modelo—, pero los resultados no fueron los esperados. La mejora vino de dividir la auditoría en tareas secuenciales, cada una a cargo de un agente especializado. Como el proceso de auditoría BIM es inherentemente secuencial, este esquema aumentó la capacidad determinística y la precisión frente al enfoque de agente único.

Nota: la charla menciona explícitamente cuatro agentes y describe un pipeline por etapas (interacción, extracción, análisis, entrega). El desglose exacto de cada agente se infiere de la descripción del expositor.

85% de precisión, trazabilidad total y humano en el loop

La validación fue una comparación directa: Juan José auditó manualmente el modelo, como lo hacía antes, y luego se contrastaron esas conclusiones con las de Aurelia, analizando las discrepancias por distintas partes del modelo. El resultado: alrededor de 85% de coincidencia con la auditoría convencional y menos del 5% de falsos positivos.

El equipo es explícito en que el 100% no es alcanzable con IA y en que no busca reemplazar al supervisor humano. Aurelia acelera el proceso —una planta que tomaba varios días se audita en un solo día— pero la validación final la hace siempre una persona, porque el modelo se sigue modificando y habrá variaciones posteriores.

Estandarización y alcance

• Trabajo de este año orientado a cumplir estándares como ISO 19650 y los planes de ejecución BIM (BEP) de distintos clientes.
• Solución agnóstica a la plataforma y al formato, pensada para modelos federados.
• Extracción de datos en CSV y revisión modular, apoyada en las herramientas de visualización de Autodesk.
• Adaptable a las necesidades de cada cliente y proyecto.

Lo que preguntó la sala

Por qué nos importa

Esta sección es interpretación propia del equipo Nidatech como proveedor tecnológico a la minería; no forma parte de la charla.

• La arquitectura multiagente es replicable en nuestros dominios. El aprendizaje clave —pasar de un agente único a tareas secuenciales especializadas para ganar determinismo— aplica directo a cualquier flujo de validación de datos que abordemos (inspección, QA/QC, cumplimiento normativo).
• Auditabilidad como requisito, no como extra. Que cada agente exponga su razonamiento paso a paso es lo que vuelve la IA aceptable en entregables contractuales. Debemos diseñar nuestras soluciones con trazabilidad de razonamiento desde el día uno, no agregarla después.
• Humano en el loop como argumento de venta. Aurelia no promete el 100% ni reemplazar al especialista; enmarca la IA como acelerador (varios días → un día) con validación humana final. Es el posicionamiento correcto para mitigar la resistencia de governance y del cliente.
• Confidencialidad y despliegue cerrado. El énfasis en ambiente cerrado en la nube (sin exposición a internet ni entrenamiento de modelos comerciales) es exactamente la garantía que exigen los clientes mineros. Es un patrón a estandarizar en nuestras propias ofertas de IA.